贝叶斯时空模型在包虫病研究中的应用与前景

随着计算机技术的发展和时空数据的丰富,贝叶斯时空模型得到了迅速发展,越来越多的学者开始将其运用到传染病空间流行病学研究中。包虫病作为严重危害人类健康的一种全球性自然疫源性疾病,其流行过程复杂,受到多种因素影响。贝叶斯时空模型为包虫病的研究提供了一种新方法,通过建模不仅可以分析其影响因素,还可以进行流行趋势预测和疾病分布...     

浙江省传染病时空模型探测暴发疫情的效果评价

目的 分析时空模型探测在浙江省传染病暴发早期预警中的应用效果,为构建多点触发预警系统提供参考。方法 对2017—2021年浙江省传染病时空模型相关病种的预警信号进行描述性分析,并与同期突发公共卫生事件报告结果进行比较,以灵敏度和错误预警率评价时空模型的有效性。结果 时空模型预警系统共发出预警信号16 382条,涉及16种传染病,平均每周每县发出预警信号0.71条。响应率为100%,响应时间中位数为0.84 h。预警信号经初步核实和现场调查后,共确认5种疾病342起暴发疫情。时空预警模型灵敏度为66.02%。Ⅰ类疾病阳性预测值6.99%,错误预警率为0.0227%;Ⅱ类疾病阳性预测值3.44%,错误预警率为0.9450%。结论 浙江省时空预警系统运行良好,可实现传染病暴发的早期自动预警,但探测识别作用有限,仍需进一步调整和优化,以适应目前传染病监测预警的需要。     

前瞻性时空扫描统计量与时空重排扫描统计量在传染病聚集性探测中的适用性探讨

目的探讨前瞻性时空扫描统计量与时空重排扫描统计量在传染病聚集性探测中的适用性。方法以成都市2009年5、6月细菌性痢疾病例数据为例,分别采用前瞻性时空扫描统计量与时空重排扫描统计量,运用SaTScan9.0软件进行聚集性探测,并对结果进行比较分析。结果前瞻性时空扫描统计量扫描结果与成都各区县实际发病轨迹较接近,前瞻性时空重排扫描统计量在发病率较低的区域扫描结果有相对较多的误报。结论由于前瞻性时空扫描统计量考虑了人口数据信息,在低发病区域,实际应用中应尽量采用时空扫描统计量进行聚集性探测。     

传染病暴发探测时间模型和时空模型的应用效果比较

目的 比较国家传染病自动预警系统(预警系统)中时间模型与时空模型在传染病暴发探测中的应用效果.方法 采用预警信号数、灵敏度、错误预警率和暴发探测时间等指标,分析比较2009年12月6日至2010年12月5日预警系统在20个省的221个试点县(区)采用时间模型和时空模型进行暴发探测的效果.结果 时间模型和时空模型灵敏度相同(均为98.15%),但时空模型较时间模型减少了59.86%(15 702条)的预警信号,时空模型的错误预警率(0.73%)低于时间模型(1.79%),时空模型的暴发探测时间(0d)也短于时间模型(1 d).结论 预警系统中的时空模型较时间模型具有更好的暴发探测效果.     

传染病暴发探测时间模型和时空模型的应用效果比较

目的 比较国家传染病自动预警系统(预警系统)中时间模型与时空模型在传染病暴发探测中的应用效果.方法 采用预警信号数、灵敏度、错误预警率和暴发探测时间等指标,分析比较2009年12月6日至2010年12月5日预警系统在20个省的221个试点县(区)采用时间模型和时空模型进行暴发探测的效果.结果 时间模型和时空模型灵敏度相同(均为98.15%),但时空模型较时间模型减少了59.86%(15 702条)的预警信号,时空模型的错误预警率(0.73%)低于时间模型(1.79%),时空模型的暴发探测时间(0d)也短于时间模型(1 d).结论 预警系统中的时空模型较时间模型具有更好的暴发探测效果.     

中国艾滋病分布时空演化及影响因素研究

公共卫生和健康问题是当今社会关注的焦点。以SARS、禽流感、艾滋病等为代表的传染病在全球范围内的快速流行与蔓延,迫使人们从更广阔的时空视角来研究健康和疾病。地理科学在疾病时空分布可视化和影响因素模型分析方面具有显著优势,尤其是地理信息技术和空间统计方法的应用,已经成为地理学和流行病学一个重要的研究和应用领域[1]。     

基于前瞻性时空重排扫描统计量的传染病早期预警系统

目的探索前瞻性时空重排扫描统计量在传染病早期预警中的应用。方法模拟实时监测系统,采用前瞻性时空重排扫描统计量对成都市2005年麻疹病例数据进行逐日前瞻性分析。结果前瞻性时空重排扫描统计量能早期探测到传染病的爆发。结论利用前瞻性时空重排扫描统计量结合地理信息软件建立的早期预警系统,能有效地对传染病爆发做出早期预警。     

评估气象对广东省登革热时空预测模型的贡献

目的 评估气象因素对广东省登革热预测系统的贡献。方法 基于Spearman相关性分析选择恰当形式的气象因素协变量,对广东省2008 - 2012年本地登革热分别构建无气象因素和有气象因素时的贝叶斯时空模型,预测广东省2013年本地登革热,用DIC和RMSE分别评价模型的拟合和预测效果。结果 月平均气温和月累计降雨量在滞后3个月时与登革热发病数的相关系数最大,分别为0.26和0.19,均有统计学意义（P＜0.05）;厄尔尼诺南方涛动与登革热发病数的相关性较弱,随滞后时间的增加逐渐减小,波动范围较小;与无气象因素的模型相比,纳入气象因素的贝叶斯时空模型的DIC更小,为967.57,拟合效果更好,其预测结果在时间趋势上与真实情况一致,高峰月份10月预测准确,并且在空间维度上能改善广东省85%的地区的预测效果。结论 纳入气象因素可提高贝叶斯时空模型对广东省登革热的预测效果,未来可结合人口流动进一步提高模型在空间维度上预测的准确性。     

基于Bayesian-INLA的宏观因素对手足口病疫情的时空响应分析

目的分析中国大陆31个省市手足口病的发病情况,从宏观角度探讨气象和社会经济因素与手足口病的时空变化关系。方法收集并整理2016年12个月份手足口病数据和宏观因素指标,利用负二项广义可加时空模型进行建模,并在贝叶斯分层结构框架下运用嵌套拉普拉斯逼近(Bayesian-Integrated Nested Laplace Approximation)方法估计模型。结果分析结果显示,在气象和社会经济因素中,平均气温的影响最为显著(RR=2.8775,95%CI:2.3305~3.5516),手足口病的发病相对危险呈双高峰模式,其中5、6月以及11、12月发病相对危险较高,且手足口病的发病相对危险呈空间异质性。结论手足口病的发病相对危险的时空特性需引起重视,建议相关部门加强对重点地区的预防,并将季节变换时期做为重点防控时期,谨防气象因素变化尤其是气温变化导致手足口病疫情的恶化。     

山东省乙丙类传染病发病时空特征及ARIMA模型预测

目的分析传染病发病数序列的时空特征,预测山东省传染病乙类、丙类发病情况,提高传染病监测预警能力。方法收集传染病报告信息管理系统山东省法定传染病监测数据资料,应用EViews6.0软件对山东省2010年1月~2014年12月传染病逐月报告发病数构建ARIMA季节乘积模型,并预测2015年1~6月的发病数。结果乙、丙类传染病均呈现一定的周期波动,其中每年的夏季为传染病的高发阶段,秋冬交替时段会有小幅回升;且在山东省17地市有一定差异;ARIMA模型预测与实际的变化趋势基本吻合。结论应用ARIMA对山东省乙类传染病的预测效果优于丙类传染病预测效果,最小的相对误差仅为1.15%,提示该模型可以为传染病的预警提供支持。     

贝叶斯时空模型在布鲁氏菌病疫情数据分析中的应用

以2000-2007年内蒙古地区布鲁氏菌病(布病)疫情数据为例,运用空间统计学和传染病流行病学的相关理论,应用贝叶斯理论框架建立时空模型,分析布病在时间和空间上呈现的格局及其演变,以及与之相关联的协变量及其变化,并与传统分析方法进行比较.结果 显示,拟合协变量的贝叶斯时空模型相对较佳(离差信息准则值最小,为2388.000).2000-2007年内蒙古自治区101个旗县的布病疫情呈现较强的空间相关性,时空格局存在较明显的共变现象,每年空间相关性不尽相同,空间相关系数后验中位数位于0.968～0.973之间,总体上随时间变化略呈下降趋势.地区类型和牛羊存栏数量与内蒙古布病流行可能有关,且牛羊存栏数量对布病的影响随年份而变化.与传统描述流行病学分析方法比较,贝叶斯方法对布病发病相对危险度的估计更加稳定.

Abstract：

Based on the number of brucellosis cases reported from the national infectious diseases reporting system in Inner Mongolia from 2000 to 2007, a model was developed. Theories of spatial statistics were used, together with knowledge on infectious disease epidemiology and the frame of Bayesian statistics, before the Bayesian spatio-temporal models were respectively set. The effects of space, time, space-time and the relative covariates were also considered. These models were applied to analyze the brucellosis distribution and time trend in Inner Mongolia during 2000-2007. The results of Bayesian spatio-temporal models was expressed by mapping of the disease and compared to the conventional statistical methods. Results showed that the Bayesian models, under consideration of space-time effect and the relative covariates (deviance information criterion, DIC=2388.000) ,seemed to be the best way to serve the purpose. The county-level spatial correlation of brucellosis epidemics was positive and quite strong in Inner Mongolia. However, the spatial correlation varied with time and the coefficients ranged from 0.968 to 0.973, having a weakening trend during 2000-2007. Types of region and number of stock (cattle and sheep) might be related to the brucellosis epidemics, and the effect on the number of cattle and sheep changed by year. Compared to conventional statistical methods, Bayesian spatio-temporal modeling could precisely estimate the incidence relative risk and was an important tool to analyze the epidemic distribution patterns of infectious diseases and to estimate the incidence relative risk.     

基于贝叶斯时空模型的猩红热发病影响因素研究

目的 猩红热(scarlet fever)是我国重点防制的法定乙类传染病之一,严重危害人类健康,其发病数据表现出典型的时空特征,利用时空分析方法研究猩红热发病的影响因素,为疾病防治工作提供帮助.方法 收集2014-2017年我国31个省市猩红热月发病资料及相应的气象因素和空气污染数据,利用Spearman相关分析和逐步...     

The spatio-temporal analysis of the incidence of tuberculosis and the associated factors in mainland China, 2009-2015

BackgroundTuberculosis is still one of the most infectious diseases in China. This study aimed to explore the spatio-temporal distribution of TB and the associated factors in mainland China from 2009 to 2015.MethodsA Bayesian spatio-temporal model was utilized to analyse the correlation of socio-economic, healthcare, demographic and meteorological factors with the population level number of TB.ResultsThe Bayesian spatio-temporal analysis showed that for the population level number of TB, the estimated parameters of the ratio of males to females, the number of beds in medical institutions, the population density, the proportion of the population that is rural, the amount of precipitation, the largest wind speed and the sunshine duration were 0.556, 0.197, 0.199, 29.03,0.1958, 0.0854 and 0.2117, respectively, demonstrating positive associations. However, health personnel, per capita annual gross domestic product, minimum temperature and humidity indicated negative associations, and the corresponding parameters were −0.050, −0.095, −0.0022 and −0.0070, respectively.ConclusionsSocio-economic, number of health personnel, demographic and meteorological factors could affect the case notification number of TB to different degrees and in different directions.     

时-空数据模型在传染病监测中的应用

运用数据模型开展传染病的预测预警一直是研究前沿领域的热点问题。本文综述了数据模型中的时间模型、空间模型和时空模型三大类分析方法,着重分析了几种典型的数据模型及应用,比较各模型的优缺点,旨在加深对时-空数据模型的认识,为传染病预测预警模型的选择和发展方向提供参考依据。     

A spatio-temporal absorbing state model for disease and syndromic surveillance

Reliable surveillance models are an important tool in public health because they aid in mitigating disease outbreaks, identify where and when disease outbreaks occur, and predict future occurrences. Although many statistical models have been devised for surveillance purposes, none are able to simultaneously achieve the important practical goals of good sensitivity and specificity, proper use of covariate information, inclusion of spatio-temporal dynamics, and transparent support to decision-makers. In an effort to achieve these goals, this paper proposes a spatio-temporal conditional autoregressive hidden Markov model with an absorbing state. The model performs well in both a large simulation study and in an application to influenza/pneumonia fatality data.     

A cluster model for space-time disease counts

Modelling disease clustering over space and time can be helpful in providing indications of possible exposures and planning corresponding public health practices. Though a considerable number of studies focus on modelling spatio-temporal patterns of disease, most of them do not directly model a spatio-temporal clustering structure and could be ineffective for detecting clusters. In this paper, we extend a purely spatial cluster model to accommodate space-time clustering. Inference is performed in a Bayesian framework using reversible jump Markov chain Monte Carlo. This idea is illustrated using data on female breast cancer mortality from Japan. A hierarchical parametric space-time model for mapping disease is used for comparison.     

Multivariate modelling of infectious disease surveillance data

This paper describes a model-based approach to analyse multivariate time series data on counts of infectious diseases. It extends a method previously described in the literature to deal with possible dependence between disease counts from different pathogens. In a spatio-temporal context it is proposed to include additional information on global dispersal of the pathogen in the model. Two examples are given: the first describes an analysis of weekly influenza and meningococcal disease counts from Germany. The second gives an analysis of the spatio-temporal spread of influenza in the U.S.A., 1996-2006, using air traffic information. Maximum likelihood estimates in this non-standard model class are obtained using general optimization routines, which are integrated in the R package surveillance.